Vestnik of Don State Technical UniversityVestnik of Don State Technical UniversityВестник Донского государственного технического университета1992-5980433810.12737/6899Технические наукиTechnical sciencesТехнические наукиEXPERT SYSTEM TRAINING TECHNIQUE TO EVALUATE WELDER’S JOB STABILITYМетодика обучения экспертной системы оценки стабильности работы сварщикаЛукьяновВиталий ФедоровичLukyanovVitaliy Федоровичvfl1@bk.ruКузьменко Игорь ВладимировичKuzmenko Igor Владимировичslowbox@yandex.ru1502201515022015144117124https://zh-szf.ru/en/nauka/article/4338/view
Рассматривается схема проектирования и обучения искусственной нейронной сети. На этой методике основана экспертная система оценки стабильности моторных навыков специалиста при работе на тренажере сварщика. Предполагается, что качество сварного соединения напрямую зависит от стабильности протекания процесса сварки. А стабильность ручной дуговой и механизированной сварки зависит от моторных навыков сварщика. Для определения критерия стабильности протекания процесса сварки предлагается использовать экспертную систему. Описано поэтапное проектирование архитектуры искусственной нейронной сети, учитывающей специфику формирования сварного шва. Показано, что применение искусственных нейронных сетей в основе экспертной системы дает возможность оценивать стабильность работы сварщика. Описана методика обучения, которая позволяет сократить время и количество экспериментов без потери достоверности данных и качества обучения экспертной системы. При формировании базы данных использованы результаты экспериментальных исследований, представленные как «область качества», связывающая моторные действия сварщика с дефектами формирования соединения с угловыми швами.
The design and training scheme for the artificial neural network is considered. An expert system of evaluating a craftsman’s motor skills stability while working on the welder simulator is based on this technique. It is assumed that the weld joint quality depends directly on the welding behavior stability. While the stability of the manual arc and mechanized welding depends on the welder’s motor skills. It is proposed to use an expert system to deter-mine the stability criterion of the welding process. A step by step design of the artificial neural network architec-ture considering the specific weld formation is described. It is shown that the application of artificial neural net-works based on the expert system allows evaluating the welder’s job stability. A training technique which shortens the time and reduces the number of experiments without loss of the data adequacy and the expert system train-ing quality is described. When creating a database, the experimental results presented as "Quality domain" that connects the welder’s motor actions and the fillet joints defects are used
Введение. Получение качественного сварного соединения зависит от стабильности работы сварщика при выполнении сварных соединений. Стабильность поддержания параметров процесса сварки, указанных в технической карте, гарантирует качественное сварное соединение. Предлагается проводить оценку стабильности с помощью экспертной системы, основанной на искусственной нейронной сети (ИНС) [1]. ИНС позволяет выявлять многофакторную зависимость между входными параметрами (ток, напряжение, скорость сварки, отклонение электрода от оси сварного шва) и качеством формирования геометрических параметров сварного соединения. Учитывая это, можно прогнозировать появление дефекта на основе анализа динамики изменений параметров протекания процесса сварки [2], [3], [4], [5]. Авторы предлагают методику проектирования и обучения ИНС. Известно, что ИНС необходимо обучать на конкретных данных предметной области. В связи с этим в работе использован метод оценки стабильности моторных навыков сварщика, основанный на предложенном Ю. Г. Людмирским понятии «область качества» [6]. Это позволило без потери качества обучить ИНС при небольшом количестве опытов.
Haykin, S. Neural networks. A Comprehensive Foundation / S. Haykin. - 2nd edition. - Ontario : McMaster University Hamilton, Prentice Hall, 2006. - 1103 p.Haykin, S. Neural networks. A Comprehensive Foundation. 2nd edition. Ontario : McMaster Universi-ty Hamilton, Prentice Hall, 2006, 1103 p.К вопросу применения нейронных сетей для контроля качества сварных соединений при под-водной сварке / И. О. Скачков [и др.] // Автоматическая сварка. - 2006. - № 6. - C. 27-31.Skachkov, I. O., et al. K voprosu primeneniya neyronnykh setey dlya kontrolya kachestva svarnykh soedineniy pri podvodnoy svarke. [On application of neural networks for quality control of welded joints in un-derwater welding.] Avtomaticheskaya svarka, 2006, no. 6, pp. 27-31 (in Russian).Гладков, Э. А. Имитационное моделирование лазерной сварки с глубоким проплавлением с ис-пользованием нейросетевых моделей / Э. А. Гладков, А. И. Гаврилов // Сварка и диагностика. - 2009. - № 1. - С. 7-12.Gladkov, E. A., Gavrilov, A. I. Imitatsionnoe modelirovanie lazernoy svarki s glubokim proplavleniem s ispol´zovaniem neyrosetevykh modeley. [Simulation modeling of laser welding with deep penetration using neural network models.] Svarka i diagnostika, 2009, no. 1, pp. 7-12 (in Russian).Гаврилов, А. И. Определение оптимальных параметров нейронной сети при построении матема-тических моделей технологических процессов / А. И. Гаврилов, П. В. Евдокимов // Вестник Ивановского гос. энергетич. ун-та. - 2007. - № 4. - С. 87-90.Gavrilov, A. I., Yevdokimov, P. V. Opredelenie optimal´nykh parametrov neyronnoy seti pri postroenii matematicheskikh modeley tekhnologicheskikh protsessov. [Neural network optimum parameters determining under industrial process mathematical model construction.] Vestnik of ISPEU, 2007, no. 4, pp. 87-90 (in Russian).Шварц, М. В. Разработка алгоритма адаптации технологических параметров сварки к измене-нию геометрии стыка при сварке корневого слоя шва. [Электронный ресурс] / М. В. Шварц // Четвертая Всероссийская научно-техническая конференция «Студенческая весна 2011: Машиностроительные тех-нологии». - Режим доступа: http://studvesna.qform3d.ru/?go=articles&id=336 (дата обращения: 08.08.2014).Shvarts, М. V. Razrabotka algoritma adaptatsii tekhnologicheskikh parametrov svarki k izmeneniyu geometrii styka pri svarke kornevogo sloya shva. [Development of welding parameters adaptation algorithm to change joint geometry under root pass welding.] Chetvertaya Vserossiyskaya nauchno-tekhnicheskaya konfer-entsiya «Studencheskaya vesna 2011: Mashinostroitel´nye tekhnologii». [IVth All-Russian Sci.-Tech. Conf. “Student Spring 2011: Machine-building technologies”. Available at: http://studvesna.qform3d.ru/?go=articles&id=336 (accessed: 08.08.2014) (in Russian).Людмирский, Ю. Г. Повышение эффективности применения неадаптивных роботов на основе вероятностно-статистического моделирования процессов сборки и сварки маложестких пространственных конструкций : дис. д-ра техн. наук / Ю. Г. Людмирский. - Ростов-на-Дону, 2002. - 300 с.Lyudmirskiy, Y. G. Povyshenie effektivnosti primeneniya neadaptivnykh robotov na osnove veroyatnostno-statisticheskogo modelirovaniya protsessov sborki i svarki malozhestkikh prostranstvennykh konstruktsiy: dis. d-ra tekhn. nauk. [Improving the effectiveness of non-adaptive robots based on probabilistic and statistical modeling of assembly and welding of low rigid spatial structures: Dr.tech.sci.diss.] Rostov-on-Don, 2002, 300 p. (in Russian).Соловьев, А. Н. Определение упругих и диссипативных свойств материалов с помощью сочета-ния метода конечных элементов и комплекснозначных искусственных нейронных сетей / А. Н. Соловьев, Нгуен Зуи Чыонг Занг // Вестник Дон. гос. техн. ун-та. - 2014. - № 2. - С. 77-83.Solovyev, A. N. Opredelenie uprugikh i dissipativnykh svoystv materialov s pomoshch´yu sochetani-ya metoda konechnykh elementov i kompleksnoznachnykh iskusstvennykh neyronnykh setey. [Elastic and dis-sipative material properties determination using combination of FEM and complex artificial neural networks.] Vestnik of DSTU, 2014, no. 2, pp. 77-83 (in Russian).Фатхи, В. А. Исследование моделей дефектов искусственных нейронных сетей / В. А. Фатхи, Д. В. Маршаков, В. В. Галушка // Вестник Дон. гос. техн. ун-та. - 2012. - № 3. - C. 65-71.Fatkhi, V. А., Marshakov, D. V., Galushka, V. V. Issledovanie modeley defektov iskusstvennykh ney-ronnykh setey. [Artificial neural network fault model study.] Vestnik of DSTU, 2012, no. 3, pp. 65-71 (in Rus-sian).Wilson, B. The Machine Learning Dictionary [Электронный ресурс] / B. Wilson. - Режим доступа: http:// www.cse.unsw.edu.au/~billw/mldict.html (дата обращения: 08.08.2014).Wilson, B. The Machine Learning Dictionary. Available at: http:// www.cse.unsw.edu.au/~billw/mldict.html (accessed: 08.08.2014).Горбань, А. Н. Обучение нейронных сетей / А. Н. Горбань. - Москва : ПараГраф. - 1990. - 159 c.Gorban, А. N. Obuchenie neyronnykh setey. [Neural network training.] Moscow : ParaGraf, 1990, 159 p. (in Russian).